AI、人工知能、機械学習、深層学習

1. #aiagirls
Google Colaboratoryを使って、
MNISTでディープラーニング！
アサヒビジネスソリューションズ株式会社
宮川 彩

2. 自己紹介
1
名前：宮川 彩
所属：アサヒビジネスソリューションズ株式会社
好きなお酒：ビール、日本酒
好きなこと：スノーボード
2016年からアサヒグループのデータを分析するチームに所属し、
SNS分析や機械学習を利用したデータ解析作業を実施しています。

3. 最近行ったおすすめのゲレンデ
2
ロッテアライリゾート（新潟県妙高市）

4. 宣伝：AI × Analytics × 女子部
3
■AI×Analytics×女子部 コミュニティページ
https://aigirls.connpass.com/
■AI×Analytics×女子部 Facebookページ
https://www.facebook.com/aiagirls/
検索エンジンで「AI 女子部」で検索すると 上位に出てきます！

5. 人工知能と機械学習、ディープラーニングの違い
人工知能、機械学習、ディープラーニング(深層学習)はどれも違う技術とい
うわけではなく、下記の図のような構造で表すことができます。
人工知能(AI)
ディープラーニング(DL)
ニューラルネットワーク(NN)
機械学習(ML)
4

6. ディープラーニングとは
5
入力層
隠れ層
（中間層）
出力層 入力層
隠れ層
（中間層）
隠れ層
（中間層）
出力層
３層 ４層
ニューラルネットワークの隠れ層の数を２以上にし、
４層以上のニューラルネットワーク（＝ディープニューラルネットワーク）を
深層学習またはディープラーニングと呼びます。

7. Google Colaboratoryのご紹介
6
Google Colaboratoryは、Googleが提供しているサービスで、
Googleアカウントを持っていれば、誰でも簡単に 機械学習やディープラーニングを
始めることができます。
便利な点
• 環境構築が必要ない
• GPUマシンが無料で使える！
• Jupyter Notebookと
同じような操作性
デメリット
• 連続で12時間までしか使えない
• データの読み込み方が少し特殊

8. MNIST
7
MNISTとは、0から9までの70,000個の手書き数字の画像から構成されており、
画像分類問題において非常に人気の高いデータセット。
手書き画像を用いて
0〜9を予測します

9. 数値データと画像データ
8
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,00,0,0,
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0
,0,0,0,0,0,0,0,0,0,0,0,30,181,222,72,0,0,0,0,0,0,00,0,0,0,0,0,0,0,0,0,0,0,0,0,0,3,57,203,253,253,135,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,24,253,254,253,253,
69,0,0,0,0,0,0,00,0,0,0,0,0,0,0,0,0,0,0,0,0,38,187,254,254,254,205,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,30,193,232,206,186,253,154,0,0,0,0,0,0,0,0,0,0,0,0,0,0,
0,0,0,0,0,3,91,237,240,92,43,254,232,25,0,0,0,0,0,0,0,00,0,0,0,0,0,0,0,0,0,17,140,253,228,73,0,93,254,223,17,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,95,245,254,254,68,
0,41,229,254,186,38,26,70,70,70,70,0,0,00,0,0,0,0,0,9,55,206,254,253,253,219,139,138,224,253,254,253,243,239,254,253,253,185,0,0,0,0,0,0,0,0,100,216,253,2
53,254,253,253,253,254,253,253,253,254,232,230,230,205,137,96,13,0,0,00,0,0,0,0,229,253,253,253,254,253,244,160,161,245,253,219,69,6,0,0,0,0,0,0,0,0,0,0,
0,0,0,0,26,176,184,151,68,0,0,0,19,170,254,203,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,87,253,248,56,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,9,203,253
,145,0,0,0,0,0,0,0,0,0,0,0,00,0,0,0,0,0,0,0,0,0,0,9,151,254,185,13,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,32,204,255,124,0,0,0,0,0,0,0,0,0,0,0,0,00,0,0,0,0,0,0,
0,0,0,0,132,253,199,11,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,46,137,84,0,0,0,0,0,0,0,0,0,0,0,0,0,00,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0
,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,00,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0

10. 9
Google Colaboratoryを使って
MNISTデータを
①数値データにして分類
②画像データにして分類
をやってみました

11. 10
MNISTデータを
①数値データにして分類した場合
②画像データにして分類した場合

12. ①全結合ニューラルネットワーク
11
今回は4層のニューラルネットワークを用意しました。
入
力
層
ド
ロ
ッ
プ
ア
ウ
ト
ド
ロ
ッ
プ
ア
ウ
ト
活
性
化
関
数
出
力
層
正解データ 𝑦’ 損失関数
（交差クロスエントロピー 他）
最適化手法
（勾配降下法 他）
全
結
合
層
全
結
合
層
入力層
隠れ層
（中間層）
隠れ層
（中間層）
出力層
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,
0,0,0,00,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0
,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,30,181,222,72,0,0,0,0,0,0,00,0
,0,0,0,0,0,0,0,0,0,0,0,0,0,3,57,203,253,253,135,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,
0,0,0,0,0,0,0,24,253,254,253,253,69,0,0,0,0,0,0,00,0,0,0,0,0,0,0,0,0,0,0,0,0,
38,187,254,254,254,205,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,30,193,232
,206,186,253,154,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,3,91,237,240,92,43,2
54,232,25,0,0,0,0,0,0,0,00,0,0,0,0,0,0,0,0,0,17,140,253,228,73,0,93,254,22
3,17,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,95,245,254,254,68,0,41,229,254,186,3
8,26,70,70,70,70,0,0,00,0,0,0,0,0,9,55,206,254,253,253,219,139,138,224,2
53,254,253,243,239,254,253,253,185,0,0,0,0,0,0,0,0,100,216,253,253,254,
253,253,253,254,253,253,253,254,232,230,230,205,137,96,13,0,0,00,0,0,0,
0,229,253,253,253,254,253,244,160,161,245,253,219,69,6,0,0,0,0,0,0,0,0,0
,0,0,0,0,0,26,176,184,151,68,0,0,0,19,170,254,203,0,0,0,0,0,0,0,0,0,0,0,0,0,
0,0,0,0,0,0,0,0,0,0,0,87,253,248,56,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,
0,0,9,203,253,145,0,0,0,0,0,0,0,0,0,0,0,00,0,0,0,0,0,0,0,0,0,0,9,151,254,185
,13,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,32,204,255,124,0,0,0,0,0,0,0
,0,0,0,0,0,00,0,0,0,0,0,0,0,0,0,0,132,253,199,11,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0
,0,0,0,0,0,0,0,0,0,46,137,84,0,0,0,0,0,0,0,0,0,0,0,0,0,00,0,0,0,0,0,0,0,0,0,0,0
,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,
0,0,0,00,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0
,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0

13. 12
MNISTデータを
①数値データにして分類した場合
②画像データにして分類した場合

14. ②畳み込みニューラルネットワーク(CNN)
13
畳
み
込
み
層
プ
ー
リ
ン
グ
層
畳
み
込
み
層
プ
ー
リ
ン
グ
層
ド
ロ
ッ
プ
ア
ウ
ト
全
結
合
層
活
性
化
関
数
畳
み
込
み
層
プ
ー
リ
ン
グ
層
入
力
層
出
力
層
畳
み
込
み
層
プ
ー
リ
ン
グ
層
正解データ 𝑦’ 損失関数
（交差クロスエントロピー 他）
最適化手法
（勾配降下法 他）
CNNは基本的に畳み込み層とプーリング層から成り立っているニューラルネット
ワークです。
Convolutional Neural Network
28ピクセル
×
28ピクセル
×
1チャンネル

15. データセットの説明
14
教師データ
49,500件
テストデータ
10,000件
検証データ
10,500件
モデル作成に利用
約80% 約20%
学習を繰り返す中で
各学習の評価に利用
最後の汎化性能の
確認に利用

16. 学習曲線「Accuracy」
15
①数値データにして分類した場合 ②画像データにして分類した場合

17. 学習曲線「Loss」
16
①数値データにして分類した場合 ②画像データにして分類した場合

18. テストデータによる評価結果
17
①数値データにして分類した場合
Test loss: 0.1611
Test accuracy: 0.9529
②画像データにして分類した場合
Test loss: 0.0364
Test accuracy: 0.9888

19. 今回学んだこと
18
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,00,0,0,
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0
,0,0,0,0,0,0,0,0,0,0,0,30,181,222,72,0,0,0,0,0,0,00,0,0,0,0,0,0,0,0,0,0,0,0,0,0,3,57,203,253,253,135,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,24,253,254,253,253,
69,0,0,0,0,0,0,00,0,0,0,0,0,0,0,0,0,0,0,0,0,38,187,254,254,254,205,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,30,193,232,206,186,253,154,0,0,0,0,0,0,0,0,0,0,0,0,0,0,
0,0,0,0,0,3,91,237,240,92,43,254,232,25,0,0,0,0,0,0,0,00,0,0,0,0,0,0,0,0,0,17,140,253,228,73,0,93,254,223,17,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,95,245,254,254,68,
0,41,229,254,186,38,26,70,70,70,70,0,0,00,0,0,0,0,0,9,55,206,254,253,253,219,139,138,224,253,254,253,243,239,254,253,253,185,0,0,0,0,0,0,0,0,100,216,253,2
53,254,253,253,253,254,253,253,253,254,232,230,230,205,137,96,13,0,0,00,0,0,0,0,229,253,253,253,254,253,244,160,161,245,253,219,69,6,0,0,0,0,0,0,0,0,0,0,
0,0,0,0,26,176,184,151,68,0,0,0,19,170,254,203,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,87,253,248,56,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,9,203,253
,145,0,0,0,0,0,0,0,0,0,0,0,00,0,0,0,0,0,0,0,0,0,0,9,151,254,185,13,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,32,204,255,124,0,0,0,0,0,0,0,0,0,0,0,0,00,0,0,0,0,0,0,
0,0,0,0,132,253,199,11,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,46,137,84,0,0,0,0,0,0,0,0,0,0,0,0,0,00,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0
,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,00,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0

20. ディープラーニングの欠点
19
• 汎化能力はそんなに高くない
一を聞いて十を知ることはできない
• 学習していないものに対しては弱い

21. ご清聴いただきありがとうございました！